راهنمای برنامه‌نویسی

پرامپت ChatGPT برای برنامه‌نویسی و رفع خطا

برای پاسخ فنی دقیق‌تر، فقط پیام خطا را نفرست: محیط اجرا، رفتار مورد انتظار و کوچک‌ترین نمونهٔ قابل بازتولید را هم توضیح بده.

یک روش قابل تکرار

از درخواست مبهم به خروجی قابل بررسی

پیشنهاد کد زمانی قابل ارزیابی است که معلوم باشد کد در چه محیطی اجرا می‌شود و چه رفتاری باید رخ دهد. بدون نسخهٔ زبان، ورودی نمونه یا متن دقیق خطا، مدل ممکن است فرض اشتباه بسازد و پاسخی مطمئن اما نامتناسب بدهد.

این الگو برای تحلیل خطا، مرور کد و نوشتن آزمون اولیه کاربرد دارد. پیش از ارسال، کلید API، رمز، دادهٔ واقعی مشتری و هر مقدار محرمانه را حذف کن؛ کد پیشنهادی را اجرا و بازبینی امنیتی کن.

01

محیط را دقیق اما کوتاه ثبت کن

زبان و نسخه، چارچوب، سیستم‌عامل یا ابزار ساخت مرتبط را بنویس. فقط اطلاعاتی را بده که روی اجرای کد اثر دارد؛ نام پروژه یا مسیر محلی به‌تنهایی معمولاً برای تشخیص لازم نیست.

02

رفتار مورد انتظار را با خطای واقعی مقایسه کن

بگو چه ورودی‌ای داده‌ای، چه خروجی‌ای می‌خواستی و چه چیزی رخ داد. پیام خطا را عیناً اضافه کن و در صورت امکان کوچک‌ترین قطعه‌کدی را بیاور که مشکل را بازتولید می‌کند.

03

فرضیه، اصلاح و آزمون را جدا بخواه

از مدل بخواه ابتدا علت‌های محتمل را از شواهد تفکیک کند، بعد کوچک‌ترین تغییر پیشنهادی را نشان دهد و آزمون لازم را بنویسد. از آن بخواه صریح بگوید کدام بخش را نتوانسته اجرا یا تأیید کند.

04

پیش از ادغام خودت بررسی کن

کد را در محیط ایزوله اجرا کن، آزمون‌ها را ببین و اثر تغییر بر ورودی‌های مرزی، مدیریت خطا و امنیت را بررسی کن. خروجی تولیدشده را بدون بازبینی در سیستم اصلی یا دادهٔ واقعی اجرا نکن.

قالب قابل کپی

شخصی‌سازی کن و بعد بفرست

در نقش یک همکار برنامه‌نویس دقیق، مشکل زیر را تحلیل کن.

زبان و نسخه: [مثلاً Python 3.x]
چارچوب و محیط اجرا: [نسخه‌ها و ابزار مرتبط]
رفتار مورد انتظار: [چه چیزی باید رخ دهد]
رفتار واقعی و پیام خطا: [متن دقیق]
کوچک‌ترین کد قابل بازتولید: [کد پس از حذف اطلاعات محرمانه]
تغییرهایی که امتحان کرده‌ام: [موارد]

ابتدا شواهد را از فرضیه جدا کن و اگر اطلاعات لازم کم است سؤال بپرس. سپس محتمل‌ترین علت را توضیح بده، کوچک‌ترین patch پیشنهادی را ارائه کن و آزمون یا ورودی مرزی لازم را بنویس. ادعا نکن کدی را اجرا کرده‌ای مگر واقعاً اجرا شده باشد؛ محدودیت و فرض‌ها را شفاف کن. در پایان، نکته‌های امنیتی و مواردی را که باید دستی بررسی شوند فهرست کن.

جای‌خالی‌ها را با زمینهٔ واقعی و غیرمحرمانه کامل کن؛ پاسخ را پیش از استفاده بررسی کن.

پیش از استفاده

چک‌لیست بازبینی

  • آیا نسخه‌ها، ورودی و پیام خطا دقیق و قابل بازتولید هستند؟
  • آیا پیش از ارسال، secretها و داده‌های واقعی حذف شده‌اند؟
  • آیا patch را در محیط امن اجرا کرده‌ای و آزمون‌ها را دیده‌ای؟
  • آیا فرض‌ها و اثر امنیتی تغییر بررسی شده‌اند؟
پاسخ‌های کوتاه و روشن

پرسش‌های پرتکرار

نکته‌هایی برای اینکه الگو را با نیاز واقعی خودت تطبیق بدهی.

چرا فرستادن فقط پیام خطا کافی نیست؟

پیام خطا معمولاً یک نشانه است؛ زبان و نسخه، ورودی، رفتار مورد انتظار و بخش مرتبط کد به تشخیص علت کمک می‌کنند. کوچک‌ترین نمونهٔ قابل بازتولید را بفرست.

آیا می‌توانم کل پروژه را برای رفع اشکال وارد ChatGPT کنم؟

لازم نیست. ابتدا قطعهٔ حداقلی مرتبط را آماده و هر رمز، کلید دسترسی، دادهٔ مشتری یا کد محرمانه را حذف کن؛ سیاست‌های امنیتی محل کار یا پروژه را هم رعایت کن.

آیا کد تولیدشده را می‌توان مستقیم در محصول اجرا کرد؟

خیر. کد باید در محیط کنترل‌شده اجرا شود، آزمون‌ها و ورودی‌های مرزی را بگذراند و از نظر امنیت و سازگاری با پروژه بازبینی شود. مدل ممکن است API یا رفتار نسخهٔ مورد استفاده را اشتباه فرض کند.